JP2014222398A - Recommendation rule generation device, recommendation rule generation method and recommendation rule generation program - Google Patents

Recommendation rule generation device, recommendation rule generation method and recommendation rule generation program Download PDF

Info

Publication number
JP2014222398A
JP2014222398A JP2013101376A JP2013101376A JP2014222398A JP 2014222398 A JP2014222398 A JP 2014222398A JP 2013101376 A JP2013101376 A JP 2013101376A JP 2013101376 A JP2013101376 A JP 2013101376A JP 2014222398 A JP2014222398 A JP 2014222398A
Authority
JP
Japan
Prior art keywords
rule
association
recommendation
rarity
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2013101376A
Other languages
Japanese (ja)
Other versions
JP6018541B2 (en
Inventor
盛徳 大橋
Shigenori Ohashi
盛徳 大橋
阿久津　明人
Akihito Akutsu
明人 阿久津
深津　真二
Shinji Fukatsu
真二 深津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2013101376A priority Critical patent/JP6018541B2/en
Publication of JP2014222398A publication Critical patent/JP2014222398A/en
Application granted granted Critical
Publication of JP6018541B2 publication Critical patent/JP6018541B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To extract a beneficial association rule from among a large amount of association rules.SOLUTION: A recommendation rule generation device includes: association analysis means 112 for analyzing content consumption data, and generating a plurality of association rules; rarity calculation means 113 for calculating the rarity of each association rule; and recommendation rule generation means 114 for narrowing down the association rule by using the rarity, and for generating a recommendation rule. The rarity calculation means 113 calculates, for each association rule, the rarity by using the total number of the content of the condition part and conclusion part of the association rule, the number of users pertinent to the association rule, the number of consumed content of each user pertinent to the association rule, the whole number of consumed content and the number of users who have consumed the respective content of the condition part and conclusion part of the association rule.

Description

本発明は、ルールベース推薦における推薦ルールを生成する推薦ルール生成装置、推薦ルール生成方法および推薦ルール生成プログラムに関する。   The present invention relates to a recommendation rule generation device, a recommendation rule generation method, and a recommendation rule generation program that generate recommendation rules in rule-based recommendation.

インターネット回線を介してデジタルコンテンツをユーザに提供するコンテンツ配信サービスが行われている。コンテンツ配信サービスでは、価格やサービスを受ける端末の多様化とともに、コンテンツの豊富さもサービサー間の競争の一つとなっている。コンテンツの豊富さを保ちながら、ユーザにより楽にコンテンツを見つけて、楽しんでもらう方法として、検索や推薦システムの採用などがある。   There is a content distribution service for providing digital content to users via an Internet line. In content distribution services, the richness of content has become one of the competition among servicers along with the diversification of prices and terminals that receive services. As a method for finding and enjoying the content more easily by the user while maintaining the richness of the content, there are a search and a recommendation system.

推薦システムで用いられるアルゴリズムの１つにルールベース推薦がある。ルールベース推薦は、「この商品が選ばれたらこれを薦める」というルールをあらかじめ作っておくものである。このルールの生成には、どの商品とどの商品が一緒に買われているかを分析するアソシエーション分析が用いられる。アソシエーション分析については、例えば、非特許文献１、２に記載されている。   One of the algorithms used in the recommendation system is rule-based recommendation. The rule-based recommendation is to create a rule “Recommend this product when it is selected” in advance. For the generation of this rule, association analysis is used to analyze which products and which products are bought together. The association analysis is described in Non-Patent Documents 1 and 2, for example.

また、特許文献１に、相関ルールを用いたPOSデータ分析装置が記載されている。   Patent Document 1 describes a POS data analysis device using an association rule.

特開2011-258023号公報JP 2011-258023

岡田孝, 元田浩,“相関ルールとその周辺”, オペレーションズ・リサーチ9月号 pp.565-571 (2002)Takashi Okada and Hiroshi Motoda, “Association Rules and Related Topics”, Operations Research September, pp.565-571 (2002) Agrawal R. and Srikant R., ”Fast algorithms for mining association rules in large database”, Proc. VLDB, pp.487-499, Morgan Kaufmann(1994)Agrawal R. and Srikant R., “Fast algorithms for mining association rules in large database”, Proc. VLDB, pp.487-499, Morgan Kaufmann (1994)

アソシエーション分析によって得られるアソシエーションルールには、支持度、信頼度およびリフト値の指標を有する。支持度を低く設定した場合、少数のユーザに当てはまるアソシエーションルールも抽出される。しかしながら、抽出されるアソシエーションルールの数が多くなると、大量のアソシエーションルールの中から推薦や施策検討などに有益なルールを見つけ出すのは困難となる。   The association rule obtained by the association analysis has indexes of support level, reliability level and lift value. When the support level is set low, association rules that apply to a small number of users are also extracted. However, when the number of association rules to be extracted increases, it becomes difficult to find a useful rule for recommendation or measure examination from among a large number of association rules.

一方で、支持度を高く設定した場合、抽出されるアソシエーションルールの数は減少するが、多くのユーザに当てはまるアソシエーションルールは、分析者にとって既知な（当たり前な）ルールが抽出されやすく、事実の確認には向いている反面、その中から推薦や施策検討のための意味あるルールを見つけ出すのは困難である。   On the other hand, if the support level is set high, the number of association rules that are extracted decreases, but the association rules that apply to many users can be easily extracted as rules that are known to the analyst (obvious), confirming the facts On the other hand, it is difficult to find meaningful rules for recommending and considering measures.

本発明は、上記事情に鑑みてなされたものであり、本発明の目的は、大量のアソシエーションルールの中から有益なアソシエーションルールを抽出し、推薦ルールとする推薦ルール生成装置、推薦ルール生成方法および推薦ルール生成プログラムを提供することにある。   The present invention has been made in view of the above circumstances, and an object of the present invention is to extract a recommendation association rule from a large number of association rules and use it as a recommendation rule, a recommendation rule generation device, a recommendation rule generation method, and It is to provide a recommendation rule generation program.

上記目的を達成するため、第１の本発明は、推薦ルール生成装置であって、ユーザのコンテンツ消費データを解析し、コンテンツ間の関連を示す複数のアソシエーションルールを生成するアソシエーション分析手段と、前記コンテンツ消費データを用いて、各アソシエーションルールの希少度を算出する希少度算出手段と、前記希少度を用いて前記アソシエーション分析手段が生成したアソシエーションルールを絞り込み、推薦ルールを生成する推薦ルール生成手段と、を備え、前記希少度算出手段は、アソシエーションルール毎に、前記コンテンツ消費データから取得した、当該アソシエーションルールの条件部および帰結部のコンテンツの合計数と、当該アソシエーションルールに該当するユーザ数と、当該アソシエーションルールに該当する各ユーザのコンテンツ消費数と、消費された全コンテンツ数と、当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数と、を用いて前記希少度を算出する。   In order to achieve the above object, the first aspect of the present invention is a recommendation rule generation device, which analyzes user content consumption data and generates a plurality of association rules indicating relationships between contents; and Rareness calculation means for calculating the rarity of each association rule using content consumption data, and recommendation rule generation means for narrowing down the association rules generated by the association analysis means using the rarity and generating recommendation rules The degree-of-rareness calculation means includes, for each association rule, the total number of contents of the condition part and the result part of the association rule acquired from the content consumption data, the number of users corresponding to the association rule, In the association rule The number content consumption each user, to calculate the infrequency with a total number of content that is consumed, the number of users who consume the contents of the condition part and conclusion part of the association rule, the.

上記推薦ルール生成装置において、前記推薦ルール生成部は、条件部が同じアソシエーションルール毎にグループ分けし、各グループ毎に希少度が大きい順に所定数のアソシエーションルールを抽出して、前記推薦ルールを生成する。   In the recommendation rule generation device, the recommendation rule generation unit generates a group of the association rules having the same condition unit, extracts a predetermined number of association rules in descending order of the rarity for each group, and generates the recommendation rules. To do.

上記推薦ルール生成装置において、前記推薦ルールを、ルールベース推薦システムに提供する提供手段を、さらに備える。   The recommendation rule generation device further includes providing means for providing the recommendation rule to a rule-based recommendation system.

上記推薦ルール生成装置において、前記提供手段は、希少度を設定したアソシエーションルールを分析者端末に提供する。   In the recommendation rule generation device, the providing means provides an association terminal with a rarity set to an analyst terminal.

第２の本発明は、コンピュータが行う推薦ルール生成方法であって、ユーザのコンテンツ消費データを解析し、コンテンツ間の関連を示す複数のアソシエーションルールを生成するアソシエーション分析ステップと、前記コンテンツ消費データを用いて、各アソシエーションルールの希少度を算出する希少度算出ステップと、前記希少度を用いて前記アソシエーションステップで生成したアソシエーションルールを絞り込み、推薦ルールを生成する推薦ルール生成ステップと、を行い、前記希少度算出ステップは、アソシエーションルール毎に、前記コンテンツ消費データから取得した、当該アソシエーションルールの条件部および帰結部のコンテンツの合計数と、当該アソシエーションルールに該当するユーザ数と、当該アソシエーションルールに該当する各ユーザのコンテンツ消費数と、消費された全コンテンツ数と、当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数と、を用いて前記希少度を算出する。   The second aspect of the present invention is a recommendation rule generation method performed by a computer, which analyzes user's content consumption data and generates a plurality of association rules indicating relations between contents, and the content consumption data Using a rarity calculation step for calculating the rarity of each association rule, and a recommendation rule generation step for narrowing down the association rules generated in the association step using the rarity and generating a recommendation rule, The rarity calculation step includes, for each association rule, the total number of contents of the condition part and the result part of the association rule acquired from the content consumption data, the number of users corresponding to the association rule, and the association. Calculates the number of content consumption each user corresponding to Lumpur, the total number of content that is consumed, the number of users who consume the contents of the condition part and conclusion part of the association rule, the infrequency with.

第３の本発明は、前記推薦ルール生成装置としてコンピュータを機能させるための推薦ルール生成プログラムである。   A third aspect of the present invention is a recommendation rule generation program for causing a computer to function as the recommendation rule generation device.

本発明によれば、大量のアソシエーションルールの中から有益なアソシエーションルールを抽出し、推薦ルールとする推薦ルール生成装置、推薦ルール生成方法および推薦ルール生成プログラムを提供することができる。   According to the present invention, it is possible to provide a recommendation rule generation device, a recommendation rule generation method, and a recommendation rule generation program that extract useful association rules from a large number of association rules and use them as recommendation rules.

本実施形態の一例を示すシステムの全体構成図である。1 is an overall configuration diagram of a system showing an example of an embodiment. 本実施形態の推薦ルール生成部の構成図である。It is a block diagram of the recommendation rule production | generation part of this embodiment. アソシエーションルール記憶部の一例を示す図である。It is a figure which shows an example of an association rule memory | storage part.

以下、本発明の実施の形態について、図面を参照して説明する。   Embodiments of the present invention will be described below with reference to the drawings.

図１は、本実施形態におけるシステム構成の一例を示す全体構成図である。図示するシステムは、コンテンツ配信システム１と、各ユーザが使用する端末２と、分析者が使用する分析者端末３を備える。   FIG. 1 is an overall configuration diagram showing an example of a system configuration in the present embodiment. The illustrated system includes a content distribution system 1, a terminal 2 used by each user, and an analyst terminal 3 used by an analyst.

コンテンツ配信システム１は、インターネットなどのネットワークを通じて、ビデオ、電子書籍、音楽などのコンテンツ（デジタルコンテンツ）を、ユーザの端末２に配信する。すなわち、端末２からのコンテンツ配信要求に応じて、要求されたコンテンツと、当該コンテンツに関連する推薦コンテンツの情報とを要求元の端末２に配信する。図示するコンテンツ配信システム１は、推薦ルール生成部１１と、ログ蓄積ＤＢ１２と、推薦部１３と、送受信制御部１４と、コンテンツ配信部１５とを有する。   The content distribution system 1 distributes content (digital content) such as video, electronic books, and music to a user terminal 2 through a network such as the Internet. That is, in response to a content distribution request from the terminal 2, the requested content and recommended content information related to the content are distributed to the requesting terminal 2. The illustrated content distribution system 1 includes a recommendation rule generation unit 11, a log accumulation DB 12, a recommendation unit 13, a transmission / reception control unit 14, and a content distribution unit 15.

送受信制御部１４は、端末２からコンテンツ配信要求を受信し、当該要求で指定されたコンテンツ情報を、コンテンツ配信部１５および推薦部１３に送出する。   The transmission / reception control unit 14 receives the content distribution request from the terminal 2 and sends the content information specified by the request to the content distribution unit 15 and the recommendation unit 13.

コンテンツ配信部１５は、送受信制御部１４からコンテンツ情報を受け付け、当該コンテンツ情報に対応するコンテンツを、送受信制御部１４を介して要求元の端末２にストリームまたはダウンロードで配信する。   The content distribution unit 15 receives content information from the transmission / reception control unit 14 and distributes content corresponding to the content information to the requesting terminal 2 via the transmission / reception control unit 14 in a stream or download.

推薦部１３は、ルールベース推薦部１３１と、推薦ルール記憶部１３２とを備える。ルールベース推薦部１３１は、推薦ルール記憶部１３２に記憶された推薦ルールを用いて、ユーザが要求したコンテンツに関連した推薦コンテンツを選択し、当該推薦コンテンツの推薦コンテンツ情報を、送受信制御部１４を介して要求元の端末２に配信する。送受信制御部１４は、要求されたコンテンツとともに、推薦コンテンツ情報を端末２に配信する。   The recommendation unit 13 includes a rule base recommendation unit 131 and a recommendation rule storage unit 132. The rule base recommendation unit 131 selects the recommended content related to the content requested by the user using the recommendation rule stored in the recommendation rule storage unit 132, and sends the recommended content information of the recommended content to the transmission / reception control unit 14. To the requesting terminal 2. The transmission / reception control unit 14 distributes recommended content information to the terminal 2 together with the requested content.

なお、推薦ルール記憶部１３２には、推薦ルール生成部１１が生成した推薦ルールが記憶される。推薦ルールは、「この商品（コンテンツ）が選ばれたらこれを薦める」というルールである。   Note that the recommendation rule storage unit 132 stores the recommendation rule generated by the recommendation rule generation unit 11. The recommendation rule is a rule of “recommend this product (content) if selected”.

ログ蓄積ＤＢ１２には、コンテンツ配信システム１のコンテンツ配信サービスを利用したユーザが、配信されたコンテンツを好きなタイミングで端末２で消費したログ情報が記憶される。なお、コンテンツの消費は、例えば、映像コンテンツの場合はユーザが当該コンテンツを視聴すること、電子書籍コンテンツの場合はユーザが当該コンテンツを読むことなどを意味する。端末２は、コンテンツ配信システム１から配信されたコンテンツが消費されると、消費したコンテンツ情報およびユーザ情報を、コンテンツ配信システム１に通知・送信するものとする。コンテンツ配信システム１の送受信制御部１４は、端末２からの通知を受信すると、通知されたコンテンツ情報およびユーザ情報をログ蓄積ＤＢ１２に蓄積する。   The log storage DB 12 stores log information consumed by the user using the content distribution service of the content distribution system 1 at the terminal 2 at a desired timing. The content consumption means, for example, that the user views the content in the case of video content, and the user reads the content in the case of electronic book content. When the content distributed from the content distribution system 1 is consumed, the terminal 2 notifies / transmits the consumed content information and user information to the content distribution system 1. When receiving the notification from the terminal 2, the transmission / reception control unit 14 of the content distribution system 1 stores the notified content information and user information in the log storage DB 12.

なお、送受信制御部１４は、コンテンツ配信部１５が端末２にコンテンツを配信したタイミングで、配信したコンテンツ情報およびユーザ情報を含む配信ログ情報を、ログ蓄積ＤＢ１２に蓄積することとしてもよい。この場合、コンテンツを配信することにより、ユーザが当該コンテンツを消費したとみなすこととする。   Note that the transmission / reception control unit 14 may store distribution log information including the distributed content information and user information in the log storage DB 12 at the timing when the content distribution unit 15 distributes the content to the terminal 2. In this case, it is assumed that the user has consumed the content by distributing the content.

推薦ルール生成部１１（推薦ルール生成装置）は、推薦部１３に提供する推薦ルールを生成する。推薦ルール生成部１１については後述する。   The recommendation rule generation unit 11 (recommendation rule generation device) generates a recommendation rule to be provided to the recommendation unit 13. The recommendation rule generation unit 11 will be described later.

コンテンツ配信サービスを利用するユーザは、端末２を用いてコンテンツ配信システム１から所望のコンテンツを取得し、好きなタイミングで取得したコンテンツを消費し、そのログがコンテンツ配信システム１のログ蓄積ＤＢ１２に蓄積される。   A user who uses the content distribution service acquires desired content from the content distribution system 1 using the terminal 2, consumes the acquired content at a desired timing, and stores the log in the log storage DB 12 of the content distribution system 1. Is done.

端末２は、ユーザの指示を受け付けて、コンテンツ配信要求をコンテンツ配信システム１に送信し、要求したコンテンツをコンテンツ配信システム１からダウンロードまたはストリーミングで受信する。また、端末２は、ユーザが配信されたコンテンツを消費したタイミングで、消費したコンテンツ情報およびユーザ情報を、コンテンツ配信システム１に通知する。なお、端末２には、TV、タブレット、PC、スマートフォン、フューチャーフォンなど、様々な形態の通信可能な装置を用いることができる。   The terminal 2 receives a user instruction, transmits a content distribution request to the content distribution system 1, and receives the requested content from the content distribution system 1 by downloading or streaming. The terminal 2 notifies the content distribution system 1 of the consumed content information and user information at the timing when the user has consumed the distributed content. As the terminal 2, various types of communicable devices such as a TV, a tablet, a PC, a smartphone, and a future phone can be used.

分析者端末３は、顧客分析やデータマイニングを行う分析者が使用する端末であって、推薦ルール生成部１１が生成したアソシエーションルールが出力・送信される。分析者は、アソシエーションルールを用いて、どのコンテンツとどのコンテンツとが併視聴の関係にあるかなどの分析を行う。   The analyst terminal 3 is a terminal used by an analyst who performs customer analysis and data mining, and the association rules generated by the recommendation rule generation unit 11 are output and transmitted. The analyst uses association rules to analyze which content and which content are in a concurrent viewing relationship.

図２は、本実施形態の推薦ルール生成部１１の構成を示す構成図である。図示する推薦ルール生成部１１は、データ取得部１１１と、アソシエーション分析部１１２と、希少度算出部１１３と、推薦ルール生成部１１４と、推薦ルール提供部１１５と、データ記憶部１１６と、アソシエーションルール記憶部１１７と、推薦ルール記憶部１１８とを備える。   FIG. 2 is a configuration diagram illustrating a configuration of the recommendation rule generation unit 11 according to the present embodiment. The recommended rule generation unit 11 illustrated in FIG. 1 includes a data acquisition unit 111, an association analysis unit 112, a rarity calculation unit 113, a recommendation rule generation unit 114, a recommendation rule provision unit 115, a data storage unit 116, and an association rule. A storage unit 117 and a recommendation rule storage unit 118 are provided.

データ取得部１１１は、ログ蓄積ＤＢ１２から所定の期間のログ情報を読み出し、読み出したログ情報から、ユーザのコンテンツ消費データ（トランザクション）を生成し、データ記憶部１１６に記憶する。ユーザのコンテンツ消費データは、各ユーザが当該所定期間において消費したコンテンツのリストである。   The data acquisition unit 111 reads log information for a predetermined period from the log accumulation DB 12, generates user content consumption data (transaction) from the read log information, and stores it in the data storage unit 116. The user content consumption data is a list of content consumed by each user during the predetermined period.

アソシエーション分析部１１２は、データ記憶部１１６に記憶されたコンテンツ消費データを解析し、コンテンツ間の関連を示す複数のアソシエーションルールを生成し、アソシエーションルール記憶部１１７に記憶する。   The association analysis unit 112 analyzes the content consumption data stored in the data storage unit 116, generates a plurality of association rules indicating the relationship between the contents, and stores them in the association rule storage unit 117.

希少度算出部１１３は、データ記憶部１１６に記憶されたコンテンツ消費データを用いて、各アソシエーションルールの希少度を算出する。具体的には、希少度算出部１１３は、アソシエーションルール毎に、コンテンツ消費データを用いて算出した、当該アソシエーションルールの条件部および帰結部のコンテンツの合計数と、当該アソシエーションルールに該当するユーザ数と、当該アソシエーションルールに該当する各ユーザのコンテンツ消費数と、消費された全コンテンツ数と、当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数と、を用いて希少度を算出する。   The rarity calculator 113 uses the content consumption data stored in the data storage unit 116 to calculate the rarity of each association rule. Specifically, the rarity calculation unit 113 calculates the total number of contents of the condition part and the result part of the association rule calculated for each association rule using the content consumption data, and the number of users corresponding to the association rule. Calculate the rarity using the number of contents consumed by each user corresponding to the association rule, the total number of consumed contents, and the number of users who consumed each content in the condition part and the result part of the association rule. To do.

推薦ルール生成部１１４は、希少度を用いてアソシエーション分析部１１２が生成したアソシエーションルールを絞り込み、推薦ルールを生成し、推薦ルール記憶部１１８に記憶する。推薦ルール提供部１１５は、推薦ルールを推薦部１３に提供・送出するとともに、希少度が設定されたアソシエーションルールを分析者端末３に送信する。   The recommendation rule generation unit 114 narrows down the association rules generated by the association analysis unit 112 using the rarity, generates a recommendation rule, and stores the recommendation rule in the recommendation rule storage unit 118. The recommendation rule providing unit 115 provides and sends the recommendation rule to the recommendation unit 13, and transmits the association rule in which the rarity is set to the analyst terminal 3.

上記説明した推薦ルール生成部１１は、例えば、ＣＰＵと、メモリと、ＨＤＤ等の外部記憶装置などを備えた汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、ＣＰＵがメモリ上にロードされた推薦ルール生成部１１用のプログラムを実行することにより、推薦ルール生成部１１の各機能が実現される。また、推薦ルール生成部１１用のプログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ−ＲＯＭなどのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。   As the recommendation rule generation unit 11 described above, for example, a general-purpose computer system including a CPU, a memory, and an external storage device such as an HDD can be used. In this computer system, each function of the recommendation rule generation unit 11 is realized by the CPU executing a program for the recommendation rule generation unit 11 loaded on the memory. The program for the recommendation rule generation unit 11 can be stored in a computer-readable recording medium such as a hard disk, a flexible disk, a CD-ROM, an MO, a DVD-ROM, or can be distributed via a network.

次に、本実施形態の推薦ルール生成部１１が行う処理について、図２を参照して説明する。   Next, processing performed by the recommendation rule generation unit 11 of this embodiment will be described with reference to FIG.

推薦ルール生成部１１のデータ取得部１１１は、ログ蓄積ＤＢ１２から所定の期間のログ情報を読み出し、読み出したログ情報から、ユーザのコンテンツ消費データ（トランザクション）を生成し、データ記憶部１１６に記憶する。指定期間は、例えば、「現在から過去３ヶ月」のようにシステム管理者が、推薦ルール生成部１１に入力し、設定できるものとする。   The data acquisition unit 111 of the recommendation rule generation unit 11 reads log information for a predetermined period from the log accumulation DB 12, generates user content consumption data (transaction) from the read log information, and stores it in the data storage unit 116. . It is assumed that the designated period can be set by inputting the recommendation rule generation unit 11 by the system administrator, for example, “the past three months from the present”.

アソシエーション分析部１１２は、データ記憶部１１６に記憶されたコンテンツ消費データについて、例えばaprioriアルゴリズム（非特許文献２参照）などの所定のアルゴリズムを用いてアソシエーション分析を行う。   The association analysis unit 112 performs association analysis on the content consumption data stored in the data storage unit 116 using a predetermined algorithm such as an apriori algorithm (see Non-Patent Document 2).

アソシエーション分析は、どの商品（コンテンツ）とどの商品とが一緒に購入（併視聴）されているかを分析するものであり、ユーザ行動を明らかにし、推薦ルールを構築する上で有益なものである。アソシエーション分析は、各ユーザが購入した商品群のデータであるトランザクションから、頻出する商品の組み合わせ規則（相関ルール）を抽出し、商品間関連性を明らかにする分析方法であり、このアソシエーション分析によって得られた商品間の組み合わせ規則をアソシエーションルールと呼ぶ。   The association analysis analyzes which products (contents) and which products are purchased (viewed together), and is useful in clarifying user behavior and building recommendation rules. Association analysis is an analysis method that extracts frequent product combination rules (correlation rules) from transactions, which are data of product groups purchased by each user, and reveals the relationship between products. The combination rules between the products are called association rules.

例えば「パンを購入したユーザは、その80%が牛乳を購入しており、その2つの商品を購入した人は全ユーザの3%であり、パンを購入したユーザは全ユーザに比べて牛乳を購入する率が2倍になっている」というアソシエーションルールは、“[パン]=>[牛乳]；支持度=3%、信頼度=80%、リフト値=2”と評価される。   For example, “80% of users who bought bread bought milk, 3% of all users purchased those two products, and users who bought bread bought milk compared to all users. The association rule “the purchase rate is doubled” is evaluated as “[bread] => [milk]; support = 3%, reliability = 80%, lift value = 2”.

この例で [パン]に当たるものを条件部、[牛乳]に当たるものを帰結部と呼ぶ。条件部および帰結部に設定される商品は、複数であってもよい。このようにアソシエーション分析は、支持度、信頼度、リフト値の３つの値を指標として、アソシエーションルールを抽出する。支持度は、アソシエーションルール中のすべての商品（ここでは、パンと牛乳）が現れるようなトランザクションの割合を表す。信頼度は、条件部の商品を購入したユーザ中で帰結部の商品を購入したユーザの割合を表す。リフト値は、全ユーザのうち帰結部の商品を購入したユーザ割合をAとし、信頼度をBとした場合に、B/Aで算出される値である。   In this example, the item corresponding to [Bread] is called the condition part, and the item corresponding to [Milk] is called the consequence part. A plurality of products may be set in the condition part and the result part. In this way, the association analysis extracts association rules using the three values of support level, reliability level, and lift value as indices. The support level represents the proportion of transactions in which all products (here, bread and milk) appear in the association rule. The reliability represents the proportion of users who have purchased the product of the consequent part among the users who have purchased the product of the condition part. The lift value is a value calculated by B / A, where A is the percentage of users who have purchased the product of the consequent part, and B is the reliability.

なお、aprioriアルゴリズムを用いた場合、あらかじめ最小支持度および最小信頼度を指定することで、支持度が最小支持度以上で、信頼度が最小信頼度以上のアソシエーションルールのみが抽出される。本実施形態では、最小支持度および最小信頼度に、それぞれあらかじめ定めた所定の小さい値（例えば、最小値）を用いることで、大量のアソシエーションルールを抽出するものとする。   When the apriori algorithm is used, by specifying the minimum support level and the minimum reliability level in advance, only the association rule having the support level equal to or higher than the minimum support level and the reliability level equal to or higher than the minimum reliability level is extracted. In the present embodiment, it is assumed that a large number of association rules are extracted by using predetermined small values (for example, minimum values) respectively predetermined for the minimum support level and the minimum reliability level.

アソシエーション分析部１１２は、アソシエーション分析を行うことにより抽出した各アソシエーションルールを、アソシエーションルール記憶部１１７に記憶する。   The association analysis unit 112 stores each association rule extracted by performing the association analysis in the association rule storage unit 117.

図３は、アソシエーションルール記憶部１１７に記憶される、各アソシエーションルールを表形式に表したアソシエーションルールテーブルの一例である。図示するアソシエーションルールテーブルでは、アソシエーション分析で抽出された各アソシエーションルール毎に、条件部のコンテンツ情報と、帰結部のコンテンツ情報と、支持度と、信頼度と、リフト値とが設定される。希少度については、以下に説明する。   FIG. 3 is an example of an association rule table that is stored in the association rule storage unit 117 and that represents each association rule in a tabular format. In the association rule table shown in the figure, the condition part content information, the result part content information, the support level, the reliability level, and the lift value are set for each association rule extracted in the association analysis. The degree of rarity will be described below.

そして、希少度算出部１１３は、各アソシエーションルールの希少度を算出する。すなわち、希少度算出部１１３は、各アソシエーションルールに対して、データ記憶部１１６に記憶されたデータを用いて、以下の５つのパラメータの値を算出・取得する。希少度は、当該アソシエーションルールの発生する確率（頻度）を表す指標である。   Then, the rarity calculation unit 113 calculates the rarity of each association rule. That is, the rarity calculation unit 113 calculates and acquires values of the following five parameters using the data stored in the data storage unit 116 for each association rule. The rarity is an index representing the probability (frequency) that the association rule occurs.

パラメータ１：当該アソシエーションルールの条件部のコンテンツ数と、帰結部のコンテンツ数とを合計したコンテンツ数。   Parameter 1: Number of contents obtained by summing the number of contents in the condition part of the association rule and the number of contents in the consequent part.

パラメータ２：当該アソシエーションルールに該当するユーザ数（当該アソシエーションルールの条件部および帰結部の全てのコンテンツを消費したユーザ数）。   Parameter 2: Number of users corresponding to the association rule (the number of users who consumed all the contents of the condition part and the consequent part of the association rule).

パラメータ３：当該アソシエーションルールに該当する各ユーザのコンテンツ消費数。   Parameter 3: Number of contents consumed by each user corresponding to the association rule.

パラメータ４：所定期間において消費された全コンテンツ数
パラメータ５：当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数
そして、希少度算出部１１３は、この５つのパラメータを用いて、アソシエーションルール毎に希少度を算出する。希少度は、例えば、以下の式１を用いて算出することができる。

Figure 2014222398
Parameter 4: Total number of contents consumed in a predetermined period Parameter 5: Number of users who consumed each content of the condition part and consequent part of the association rule And the rarity calculation unit 113 uses these five parameters to associate Calculate the rarity for each rule. The rarity can be calculated using, for example, the following Equation 1.
Figure 2014222398

式１の関数ｆは、パラメータ５(Wj)の関数として表される。例えば、式１の関数ｆ(Wj)を、パラメータ５(Wj)の１次に比例する単項式の関数とすると、以下の式２となる。

Figure 2014222398
The function f in Equation 1 is expressed as a function of parameter 5 (Wj). For example, when the function f (Wj) of Expression 1 is a monomial function proportional to the first order of the parameter 5 (Wj), the following Expression 2 is obtained.
Figure 2014222398

上記式１および式２では、組み合わせ（例えば、ＣＣＶｘ）使うことで、確率を計算している。偶然が重なるとそれは偶然ではなく、ユーザの意思が反映され、必然となると考え、そのため確率を計算し、確率が小さいものほど希少度が高くなるようにしている。 In the above formulas 1 and 2, the probability is calculated by using a combination (for example, C C Vx ). When coincidence occurs, it is not coincidence but reflects the user's intention and is considered to be inevitable. Therefore, the probability is calculated, and the smaller the probability, the higher the rarity.

なお、希少度と各パラメータとの関係は、以下のとおりである。   The relationship between rarity and each parameter is as follows.

パラメータ１（m）が大きくなると、Pは小さくなり、希少度は大きくなる。すなわち、条件部と帰結部のコンテンツの数が大きくなればなるほど、その組み合わせが抽出される確率は低くなるため、希少度は大きくなる。   As parameter 1 (m) increases, P decreases and rarity increases. That is, the greater the number of contents in the condition part and the result part, the lower the probability that the combination will be extracted, and the greater the degree of rarity.

パラメータ２（u）が多くなると、Pは小さくなり、希少度は大きくなる。これは本来偶然であるものであるとの発想から来ており、それが重なれば重なるほど起こりにくいことになり、その本来起きにくい事象が起きているということで希少度が大きくなる。   As parameter 2 (u) increases, P decreases and rarity increases. This comes from the idea that it is a coincidence, and the more it overlaps, the less likely it is to happen, and the less likely it is that an event that is unlikely to occur is occurring.

パラメータ３（V)が多くなると、Pは大きくなり、希少度は小さくなる。コンテンツを多く消費するユーザは、様々なコンテンツを視聴する確率が高くなるため、当該アソシエーションルールが抽出されやすくなると考えら、希少度は小さくなる。   As parameter 3 (V) increases, P increases and rarity decreases. A user who consumes a large amount of content has a high probability of viewing various contents, so that the association rule is likely to be extracted, and the degree of rarity becomes small.

パラメータ４（C)が多くなると、Pは小さくなり、希少度は大きくなる。   As parameter 4 (C) increases, P decreases and rarity increases.

パラメータ５（W）が多くなると、Pが大きくなり、希少度は小さくなる。これは、消費したユーザが多ければ、その分、稀な関係でもルールとして抽出されやすいことを考慮している。   As parameter 5 (W) increases, P increases and the rarity decreases. This takes into account that if there are many consumed users, even a rare relationship is easily extracted as a rule.

そして、希少度算出部１１３は、上記５つのパラメータを用いて算出した各アソシエーションルールの希少度を、アソシエーションルール記憶部１１７に記憶する。これにより、各アソシエーションルールは、支持度、信頼度、リフト値、希少度の４つの指標を有することになる。   Then, the rarity calculation unit 113 stores the rarity of each association rule calculated using the above five parameters in the association rule storage unit 117. As a result, each association rule has four indicators of support level, reliability level, lift value, and rarity level.

そして、推薦ルール生成部１１４は、希少度を用いてアソシエーション分析部１１２が生成した大量のアソシエーションルールを絞り込み、推薦ルールを生成する。具体的には、推薦ルール生成部１１４は、条件部のコンテンツが同じアソシエーションルール毎にグルーピングし、各グループ毎に希少度が大きい順に所定数のアソシエーションルールを、抽出し、各グループ毎にそれぞれ抽出したアソシエーションルールを推薦ルールとして推薦ルール記憶部１１８に記憶する。   Then, the recommendation rule generation unit 114 narrows down a large number of association rules generated by the association analysis unit 112 using the rarity, and generates a recommendation rule. Specifically, the recommendation rule generation unit 114 performs grouping for each association rule having the same content in the condition part, extracts a predetermined number of association rules in descending order of rarity for each group, and extracts each group for each group. The association rule thus stored is stored in the recommendation rule storage unit 118 as a recommendation rule.

すなわち、本実施形態では、希少度が大きいアソシエーションルールの帰結部のコンテンツは、希少度が小さいアソシエーションルールの帰結部のコンテンツと比較して、条件部のコンテンツの推薦コンテンツとしてより有益であるとみなす。なお、抽出するアソシエーションルールの所定数は、システム管理者があらかじめ指定しておくものとする。   That is, in this embodiment, the content of the result part of the association rule with a high degree of rarity is regarded as more useful as the recommended content of the content of the condition part than the content of the result part of the association rule with a low degree of rarity . It should be noted that a predetermined number of association rules to be extracted is specified in advance by the system administrator.

そして、推薦ルール提供部１１５は、生成した推薦ルールを、推薦部１３に送出し、提供する。これにより、推薦部１３の推薦ルール記憶部１３２には、推薦ルール生成部１１４が生成した推薦ルールが記憶され、ルールベース推薦部１３１は、当該推薦ルールを用いて、推薦コンテンツを決定する。   Then, the recommendation rule providing unit 115 sends the generated recommendation rule to the recommendation unit 13 and provides it. Thus, the recommendation rule generated by the recommendation rule generation unit 114 is stored in the recommendation rule storage unit 132 of the recommendation unit 13, and the rule base recommendation unit 131 determines the recommended content using the recommendation rule.

なお、推薦ルールを用いて決定した推薦コンテンツをユーザに提示することにより、例えばパラメータ２またはパラメータ５の増加、パラメータ２が増加することによるパラメータ３の最大値や平均値の上昇など、パラメータ１〜５の変化が想定される。これにより希少度が変動し、推薦ルールとして抽出されるべきアソシエーションルールの入れ替え、や、推薦ルールとして抽出されるべき新たなアソシエーションルールが発生する。   In addition, by presenting the recommended content determined using the recommendation rule to the user, for example, an increase in the parameter 2 or the parameter 5, an increase in the maximum value or the average value of the parameter 3 due to the increase in the parameter 2, and the like. Five changes are assumed. As a result, the degree of rarity changes, and an association rule to be extracted as a recommendation rule is replaced or a new association rule to be extracted as a recommendation rule is generated.

そのため、本実施形態の推薦ルール生成部１１は、所定のタイミングで（例えば、１ヶ月に１回など定期的に）、ログ蓄積ＤＢ１２から取得した直近の所定期間のログ情報を用いて、現状に合った推薦ルールを生成し、推薦部１３に提供する。   For this reason, the recommendation rule generation unit 11 of the present embodiment uses the log information of the most recent predetermined period acquired from the log accumulation DB 12 at a predetermined timing (for example, periodically such as once a month). A recommended recommendation rule is generated and provided to the recommendation unit 13.

また、推薦ルール提供部１１５は、アソシエーションルール記憶部１１７に記憶された、希少度が設定された全アソシエーションルール（図３参照）を、分析者の要求に応じて分析者端末３に送信する。推薦ルール提供部１１５は、アソシエーションルールを、例えばCSVまたはTSV形式のファイルにして、ネットワークを介して分析者端末３に送信することが考えられる。   Also, the recommendation rule providing unit 115 transmits all association rules (see FIG. 3) set with rarity stored in the association rule storage unit 117 to the analyst terminal 3 in response to a request from the analyst. It is conceivable that the recommendation rule providing unit 115 converts the association rule into a file in, for example, a CSV or TSV format and transmits it to the analyst terminal 3 via the network.

分析者端末３に希少度が設定された全てのアソシエーションルールを送信することで、分析者は、より高度な顧客分析やデータマイニングを実施することができる。例えば、分析者は、どのコンテンツとどのコンテンツとの間に併視聴の関係があるのか（または、併視聴の関係ができ始めているか）を、希少度により把握にすることで、コンテンツの購入計画を立てたり、どのようなキャンペーンを実施するべきかを判断することができるようになる。   By transmitting all the association rules in which the rarity level is set to the analyst terminal 3, the analyst can perform more advanced customer analysis and data mining. For example, an analyst can determine the content purchase plan by identifying the content and which content has a concurrent viewing relationship (or whether the concurrent viewing relationship has begun to be established) based on the rarity. You will be able to make decisions and determine what kind of campaigns you should run.

次に、本実施形態のコンテンツ配信およびコンテンツ推薦処理について説明する。   Next, content distribution and content recommendation processing according to the present embodiment will be described.

ユーザは、自身の端末２を用いて所望のコンテンツを選択する。端末２は、ユーザが選択したコンテンツのコンテンツ情報（例えば、コンテンツ名、コンテンツＩＤ）を含むコンテンツ配信要求を、ネットワークを介してコンテンツ配信システム１に送信する。   The user selects desired content using his / her terminal 2. The terminal 2 transmits a content distribution request including content information (for example, content name and content ID) of the content selected by the user to the content distribution system 1 via the network.

コンテンツ配信システム１の送受信制御部１４は、端末２からコンテンツ配信要求を受信すると、当該要求で指定されたコンテンツ情報を、コンテンツ配信部１５および推薦部１３に送出する。コンテンツ配信部１５は、当該コンテンツ情報に対応するコンテンツを送受信制御部１４に送出し、送受信制御部１４は、当該コンテンツをストリームまたはダウンロードで配信する。なお、送受信制御部１４は、コンテンツの配信をユーザのコンテンツ消費とみなして、配信ログ情報をログ蓄積ＤＢ１２に蓄積することとしてもよい。   When receiving the content distribution request from the terminal 2, the transmission / reception control unit 14 of the content distribution system 1 sends the content information specified by the request to the content distribution unit 15 and the recommendation unit 13. The content distribution unit 15 sends the content corresponding to the content information to the transmission / reception control unit 14, and the transmission / reception control unit 14 distributes the content in a stream or download. Note that the transmission / reception control unit 14 may store the distribution log information in the log storage DB 12 by regarding the distribution of the content as the user's content consumption.

また、推薦部１３のルールベース推薦部１３１は、推薦ルール記憶部１３２の推薦ルールを用いて、ユーザが要求したコンテンツに対応する推薦コンテンツを選択し、当該推薦コンテンツの推薦コンテンツ情報を送受信制御部１４に送出する。すなわち、ルールベース推薦部１３１は、要求されたコンテンツ情報を条件部に持つアソシエーションルールを、推薦ルールから抽出し、抽出した各アソシエーションルールの帰結部に設定されたコンテンツ情報を、推薦コンテンツ情報として決定する。送受信制御部１４は、推薦コンテンツ情報を、要求されたコンテンツとともに端末２に配信する。   Further, the rule base recommendation unit 131 of the recommendation unit 13 selects recommended content corresponding to the content requested by the user using the recommendation rule of the recommendation rule storage unit 132, and transmits and receives the recommended content information of the recommended content. 14 to send. That is, the rule-based recommendation unit 131 extracts an association rule having the requested content information as a condition part from the recommendation rule, and determines the content information set in the consequent part of each extracted association rule as recommended content information To do. The transmission / reception control unit 14 distributes the recommended content information to the terminal 2 together with the requested content.

以上説明した本実施形態では、アソシエーション分析で一般的に出力される支持度や信頼度、リフト値の他に、希少度という４つ目の指標を算出し、希少度に基づいてアソシエーションルールの選定を行う。具体的には、条件部のコンテンツが同じアソシエーションルールの中で、希少度が大きい帰結部を持つアソシエーションルールをより有益なアソシエーションルールとして選択・抽出し、ルールベース推薦の推薦ルールとする。   In the present embodiment described above, in addition to the support level, reliability level, and lift value that are generally output in association analysis, a fourth index called rarity is calculated, and the association rule is selected based on the rarity level. I do. Specifically, among the association rules with the same content in the condition part, an association rule having a consequent part with a high degree of rarity is selected / extracted as a more useful association rule and used as a recommendation rule for rule-based recommendation.

これにより、本実施形態では、大量のアソシエーションルールの中から、有用なアソシエーションルールを選択し、推薦ルールを生成することができる。   Thereby, in this embodiment, a useful association rule can be selected from a lot of association rules, and a recommendation rule can be generated.

すなわち、支持度や信頼度に閾値を設定して、抽出するアソシエーションルールの数を絞る方法では、閾値以下のアソシエーションルールは排除されてしまう。このため、既知または当たり前のルールが抽出されやすく、未知の意味のあるアソシエーションルールが抽出されにくい。未知の意味のあるアソシエーションルールとしては、例えば、少数の人に当てはまるルールであるが、ある一定の必然性を有し、そこにユーザ自身の意図が潜在しているルール、稀に発生するルールであるが確実に発生するルール、現時点では明らかではない埋もれているルールなどが考えられる。   That is, in the method of setting a threshold value for the support level and the reliability level and reducing the number of association rules to be extracted, association rules below the threshold value are excluded. For this reason, a known or common rule is easily extracted, and an association rule having an unknown meaning is difficult to extract. An association rule with an unknown meaning is, for example, a rule that applies to a small number of people, but a rule that has a certain necessity and the user's own intention is latent, or a rule that occurs infrequently. There are rules that can reliably occur, rules that are not clear at the moment, and the like.

本実施形態では、支持度などに閾値を設けてアソシエーションルールの数を絞り込むことなく、大量のアソシエーションルールの中から希少度を用いて、アソシエーションルールを選択し、推薦ルールを生成することで、支持度が低いアソシエーションルールであっても、推薦や施策検討などに有益なルールを抽出することができる。   In this embodiment, support is provided by selecting a association rule using a rarity from among a large number of association rules and generating a recommendation rule without narrowing the number of association rules by setting a threshold for the support level and the like. Even if the association rule is low, it is possible to extract a rule that is useful for recommending or considering measures.

また、本実施形態により生成された推薦ルールを用いてコンテンツを推薦することで、ユーザに対して当たり前ではない目新しい推薦コンテンツ情報を提示でき、ユーザは意外性のあるコンテンツを見つける事ができる。   Also, by recommending content using the recommendation rule generated according to the present embodiment, novel recommended content information that is not taken for granted can be presented to the user, and the user can find surprising content.

また、本実施形態では、希少度が設定されたアソシエーションルールを分析者端末３に送信することで、数多くのアソシエーションルールの中から、当たり前ではない、施策検討に有益な意味のあるルールを見つけ出すことが容易となる。   Further, in the present embodiment, by sending an association rule in which a rarity level is set to the analyst terminal 3, it is possible to find a rule that is useful and not useful for studying a measure from among a large number of association rules. Becomes easy.

なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。   In addition, this invention is not limited to the said embodiment, Many deformation | transformation are possible within the range of the summary.

１ ：コンテンツ配信システム
１１：推薦ルール生成部
１１１：データ取得部
１１２：アソシエーション分析部
１１３：希少度算出部
１１４：推薦ルール生成部
１１５：推薦ルール提供部
１１６：データ記憶部
１１７：アソシエーションルール記憶部
１１８：推薦ルール記憶部
１２：ログ蓄積ＤＢ
１３：推薦部
１３１：ルールベース推薦部
１３１：推薦ルール記憶部
１４：送受信制御部
１５：コンテンツ配信部
２ ：端末
３ ：分析者端末 DESCRIPTION OF SYMBOLS 1: Content delivery system 11: Recommendation rule production | generation part 111: Data acquisition part 112: Association analysis part 113: Rareness calculation part 114: Recommendation rule production | generation part 115: Recommendation rule provision part 116: Data storage part 117: Association rule storage part 118: Recommendation rule storage unit 12: Log accumulation DB
13: recommendation unit 131: rule base recommendation unit 131: recommended rule storage unit 14: transmission / reception control unit 15: content distribution unit 2: terminal 3: analyst terminal

Claims (6)

推薦ルール生成装置であって、
ユーザのコンテンツ消費データを解析し、コンテンツ間の関連を示す複数のアソシエーションルールを生成するアソシエーション分析手段と、
前記コンテンツ消費データを用いて、各アソシエーションルールの希少度を算出する希少度算出手段と、
前記希少度を用いて前記アソシエーション分析手段が生成したアソシエーションルールを絞り込み、推薦ルールを生成する推薦ルール生成手段と、を備え、
前記希少度算出手段は、アソシエーションルール毎に、前記コンテンツ消費データから取得した、当該アソシエーションルールの条件部および帰結部のコンテンツの合計数と、当該アソシエーションルールに該当するユーザ数と、当該アソシエーションルールに該当する各ユーザのコンテンツ消費数と、消費された全コンテンツ数と、当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数と、を用いて前記希少度を算出すること
を特徴とする推薦ルール生成装置。 A recommendation rule generating device,
An association analysis means for analyzing the user's content consumption data and generating a plurality of association rules indicating the relationship between the contents;
A rarity calculation means for calculating the rarity of each association rule using the content consumption data;
A recommendation rule generating means for narrowing down the association rules generated by the association analysis means using the rarity and generating a recommendation rule, and
The rarity calculation means includes, for each association rule, the total number of contents of the condition part and the result part of the association rule acquired from the content consumption data, the number of users corresponding to the association rule, and the association rule. The rarity is calculated using the number of contents consumed by each corresponding user, the total number of consumed contents, and the number of users who consumed each content of the condition part and the result part of the association rule. A recommendation rule generation device. 請求項１記載の推薦ルール生成装置であって、
前記推薦ルール生成部は、条件部が同じアソシエーションルール毎にグループ分けし、各グループ毎に希少度が大きい順に所定数のアソシエーションルールを抽出して、前記推薦ルールを生成すること
を特徴とする推薦ルール生成装置。 The recommendation rule generation device according to claim 1,
The recommendation rule generating unit categorizes each association rule having the same condition part, extracts a predetermined number of association rules in descending order of rarity for each group, and generates the recommendation rule. Rule generator. 請求項１または２記載の推薦ルール生成装置であって、
前記推薦ルールを、ルールベース推薦システムに提供する提供手段を、さらに備えること
を特徴とする推薦ルール生成装置。 The recommendation rule generation device according to claim 1 or 2,
A recommendation rule generating device, further comprising providing means for providing the recommendation rule to a rule-based recommendation system. 請求項３記載の推薦ルール生成装置であって、
前記提供手段は、希少度を設定したアソシエーションルールを分析者端末に提供すること
を特徴とする推薦ルール生成装置。 The recommendation rule generation device according to claim 3,
The providing means provides an analyzer terminal with an association rule in which a rarity level is set. コンピュータが行う推薦ルール生成方法であって、
ユーザのコンテンツ消費データを解析し、コンテンツ間の関連を示す複数のアソシエーションルールを生成するアソシエーション分析ステップと、
前記コンテンツ消費データを用いて、各アソシエーションルールの希少度を算出する希少度算出ステップと、
前記希少度を用いて前記アソシエーションステップで生成したアソシエーションルールを絞り込み、推薦ルールを生成する推薦ルール生成ステップと、を行い、
前記希少度算出ステップは、アソシエーションルール毎に、前記コンテンツ消費データから取得した、当該アソシエーションルールの条件部および帰結部のコンテンツの合計数と、当該アソシエーションルールに該当するユーザ数と、当該アソシエーションルールに該当する各ユーザのコンテンツ消費数と、消費された全コンテンツ数と、当該アソシエーションルールの条件部および帰結部の各コンテンツを消費したユーザ数と、を用いて前記希少度を算出すること
を特徴とする推薦ルール生成方法。 A recommendation rule generation method performed by a computer,
An association analysis step that parses the user's content consumption data and generates a plurality of association rules that indicate the association between the content;
Using the content consumption data, a rarity calculation step for calculating the rarity of each association rule;
A recommendation rule generation step of narrowing down the association rules generated in the association step using the rarity level and generating a recommendation rule, and
The rarity calculation step includes, for each association rule, the total number of contents of the condition part and the result part of the association rule acquired from the content consumption data, the number of users corresponding to the association rule, and the association rule. The rarity is calculated using the number of contents consumed by each corresponding user, the total number of consumed contents, and the number of users who consumed each content of the condition part and the result part of the association rule. Recommendation rule generation method to do. 請求項１から４のいずれか一項に記載の推薦ルール生成装置としてコンピュータを機能させるための推薦ルール生成プログラム。   A recommendation rule generation program for causing a computer to function as the recommendation rule generation device according to claim 1.
JP2013101376A 2013-05-13 2013-05-13 RECOMMENDATION RULE GENERATION DEVICE, RECOMMENDATION RULE GENERATION METHOD, AND RECOMMENDATION RULE GENERATION PROGRAM Active JP6018541B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013101376A JP6018541B2 (en) 2013-05-13 2013-05-13 RECOMMENDATION RULE GENERATION DEVICE, RECOMMENDATION RULE GENERATION METHOD, AND RECOMMENDATION RULE GENERATION PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013101376A JP6018541B2 (en) 2013-05-13 2013-05-13 RECOMMENDATION RULE GENERATION DEVICE, RECOMMENDATION RULE GENERATION METHOD, AND RECOMMENDATION RULE GENERATION PROGRAM

Publications (2)

Publication Number Publication Date
JP2014222398A true JP2014222398A (en) 2014-11-27
JP6018541B2 JP6018541B2 (en) 2016-11-02

Family

ID=52121900

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013101376A Active JP6018541B2 (en) 2013-05-13 2013-05-13 RECOMMENDATION RULE GENERATION DEVICE, RECOMMENDATION RULE GENERATION METHOD, AND RECOMMENDATION RULE GENERATION PROGRAM

Country Status (1)

Country Link
JP (1) JP6018541B2 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018018341A (en) * 2016-07-28 2018-02-01 富士通株式会社 Information processing device, information processing method and program
JP6286076B1 (en) * 2017-01-18 2018-02-28 株式会社リクルートホールディングス Information management apparatus and program
KR20200019741A (en) 2018-01-22 2020-02-24 가부시끼가이샤 히다치 세이사꾸쇼 Data Analysis Support System and Data Analysis Support Method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009217852A (en) * 2009-06-30 2009-09-24 Victor Co Of Japan Ltd Server and method for providing information
JP2011039909A (en) * 2009-08-17 2011-02-24 Albert:Kk Method and system for optimizing presentation information

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009217852A (en) * 2009-06-30 2009-09-24 Victor Co Of Japan Ltd Server and method for providing information
JP2011039909A (en) * 2009-08-17 2011-02-24 Albert:Kk Method and system for optimizing presentation information

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018018341A (en) * 2016-07-28 2018-02-01 富士通株式会社 Information processing device, information processing method and program
JP6286076B1 (en) * 2017-01-18 2018-02-28 株式会社リクルートホールディングス Information management apparatus and program
JP2018116492A (en) * 2017-01-18 2018-07-26 株式会社リクルートホールディングス Information management device and program
KR20200019741A (en) 2018-01-22 2020-02-24 가부시끼가이샤 히다치 세이사꾸쇼 Data Analysis Support System and Data Analysis Support Method
KR102312685B1 (en) 2018-01-22 2021-10-15 가부시끼가이샤 히다치 세이사꾸쇼 Data analysis support system and data analysis support method

Also Published As

Publication number Publication date
JP6018541B2 (en) 2016-11-02

Similar Documents

Publication Publication Date Title
US11615156B2 (en) Apparatuses, methods and systems for insight discovery and presentation from structured and unstructured data
US10311106B2 (en) Social graph visualization and user interface
US9467744B2 (en) Comment-based media classification
US20160188601A1 (en) Method and systems of implementing a ranked health-content article feed
JP6784499B2 (en) Decision device, decision method and decision program
JP6060298B1 (en) Information distribution apparatus, information distribution method, and information distribution program
JP2017204199A (en) Information providing apparatus, information providing method, and information providing program
US9846746B2 (en) Querying groups of users based on user attributes for social analytics
JP6092360B1 (en) Generating device, generating method, and generating program
JP2018045553A (en) Selection device, selection method, and selection program
Rosen et al. Does use of a hospital-wide readmission measure versus condition-specific readmission measures make a difference for hospital profiling and payment penalties?
JP2013025687A (en) Information processing system, information processing method, program, and information storage medium
EP2613275B1 (en) Search device, search method, search program, and computer-readable memory medium for recording search program
JP6018541B2 (en) RECOMMENDATION RULE GENERATION DEVICE, RECOMMENDATION RULE GENERATION METHOD, AND RECOMMENDATION RULE GENERATION PROGRAM
CN105706409B (en) Method, device and system for enhancing user engagement with service
WO2020129527A1 (en) Receipt processing device, control method, and program
Shwartz et al. Can composite measures provide a different perspective on provider performance than individual measures?
JP4962950B2 (en) Recommendation method, recommendation server and program for users on network
JP6660168B2 (en) Information providing apparatus, information providing method, and program
US20200234313A1 (en) Content insight system
JP2017076376A (en) Calculation device, calculation method and calculation program
JP2013232031A (en) Information processor, terminal device, information processing method, display method, information processing program, and display program
JP6007300B1 (en) Calculation device, calculation method, and calculation program
JP5789481B2 (en) Application development support apparatus and application development support method
JP7098553B2 (en) Information processing equipment, information processing methods, and information processing programs

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150714

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160520

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160531

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160622

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160927

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160930

R150 Certificate of patent or registration of utility model

Ref document number: 6018541

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150